大量机器人无需集中控制即形成复杂形状

【图片：西北大学】

西北大学的研究人员建造了100个小型移动机器人，每个机器人高12厘米，直径10厘米。机器人共享信息并四处行驶以形成形状而不会发生碰撞或死锁。
 

大量廉价的小型机器人是机器人技术领域一个引人注目的研究领域。有了一大群，您通常可以完成大型机器人无法完成（或不可能完成）的任务，从而比大型机器人更具弹性和成本效益。

棘手的事情是让一大批机器人协同工作以完成您希望他们做的事情，尤其是如果您希望他们要做的是一件复杂或高度结构化的任务。如果您有某种控制器可以一次看到所有机器人并告诉他们要去哪里，那还不错，但这是您在机器人实验室之外不太可能找到的奢侈品。

埃文斯顿西北大学的研究人员一直在研究一种为100个相同编程的小型机器人群提供分散控制的方法，这使它们可以集体找到一个从一种形状过渡到另一种形状而又不会碰到彼此的方法。

【图片：北京智能佳科技有限公司“小群体大智慧”】
 

机器人用来确定要去哪里的过程似乎应该非常简单：给他们一个形状，因此每个机器人都选择其目标位置（最终要作为形状的一部分），然后按照网格模式规划一条从原点到需要到达的路径，使事情变得容易一些。但是使用这种方法，您会立即遇到两个问题：首先，由于没有中央控制，您最终可能会拥有两个（或更多）目标相同的机器人;其次，任何一个机器人都无法以某种确定不会碰到另一个机器人的方式一直将计划一直推向目标。

为了解决这些问题，机器人在移动时都会互相交谈，不仅是为了避免与朋友碰撞，而且还要弄清楚它的朋友要去哪里以及是否值得交换目的地。由于机器人都是一样的，因此只要填写了所有目标位置，它们就不会在乎它们的确切位置。并且，如果一个机器人与另一个机器人交谈，并且他们同意交换目标会导致他们两个都必须减少移动，那么他们会继续进行交换。该算法可确保最终填充所有目标位置，并且还可以帮助机器人避免通过明智使用“等待”命令而碰到彼此。

这种方法的新颖之处在于，尽管该算法具有完全分布式的性质，但它也被证明是正确的，并且可以确保形成完整的形状而不会发生碰撞或死锁。据研究人员所知，这是第一个执行此操作的算法。

这种方法的真正新颖之处在于，尽管该算法具有完全分布式的特性，但它也被证明是正确的，并且可以确保形成完整的形状而不会发生碰撞或死锁。据研究人员所知，这是第一个执行此操作的算法。这意味着，由于它完全没有集中控制就可以发挥作用，因此您可以将“群”看作是一种自己的类似于博格的集体实体，这很酷。

背后的西北研究人员是电气工程和计算机科学的副教授迈克尔·鲁宾斯坦（Michael Rubenstein）和他的博士研究生王翰林（Hanlin Wang）。您可能会从Mike在哈佛大学关于Kilobots的工作中认识他，我们在2011年，2013年和2014年撰写的文章中都提到了Mike，当时Mike和他的研究员设法将1000个Kilobots组合在一起。拥有一千个机器人真是太棒了，当您开始思考充电，修复和修改它们所需的费用时，1000个机器人（1000个机器人！），为什么他们要稍微更新一下平台就很有意义了（现在称为Coachbot），并将群集大小减少到100个物理机器人，其余部分由仿真完成。

我们被告知，这些机器人的行为“要好得多”。

【图片：西北大学】

研究人员在实验中使用的硬件。

1. Coachbot V2.0移动机器人（高度为12厘米，直径为10厘米）配备了基于HTC Vive（a），Raspberry Pi b +计算机（b），电子主板（c）的本地化系统，和可充电电池（d）。实验中使用的机器人舞台具有仅用于录制视频的高架摄像机（e）和高架HTC Vive基站（f）。实验依赖于100个机器人（g）的数量。

2. Coachbot V2.0群通信网络由基站和Wi-Fi路由器之间的以太网连接（绿色链接），TCP / IP连接（蓝色链接）和第2层广播连接（黑色链接）组成。 

3.一群100个机器人。 

4.机器人通过连接到墙上的两个金属条为电池充电。
 

有关这项工作的更多详细信息，我们通过电子邮件与Mike Rubenstein进行了交谈。

IEEE Spectrum：为什么要切换到新的硬件平台而不是Kilobots？

迈克·鲁宾斯坦（Mike Rubenstein）：我们希望使平台比Kilobot更强大，更可扩展，并在Kilobot方面吸取教训。这些机器人具有比Kilobot更好的运动能力，并且具有绝对位置感应功能，这使机器人的操作更加容易。他们拥有真正的“免提”操作。

例如，使用Kilobot开始实验时，您必须手动将机器人置于初始位置（有时需要一两个小时），而对于这些机器人，用户只需为所有机器人指定一组位置，然后按“转到”按钮。使用Kilobot，也很难查看所有机器人的状态，例如，很难查看999个机器人是否已打开电源或1000个机器人是否已打开电源。这些新的机器人将状态信息发送回用户显示器，从而易于理解群集的完整状态。

网格化目标点和运动计划有多少约束？

网格约束显然使运动效率降低，因为它们必须沿曼哈顿型路径而不是直线路径移动，因此大多数情况下它们会移动得更远。我们限制运动在离散网格中移动的原因是，它使机器人算法的计算复杂度降低，并且有关碰撞和死锁的推理变得容易得多，这使我们能够提供保证形状成功形成的保证。

图片：西北大学

100个机器人形状形成实验的静止图像。机器人以随机配置开始，然后移动以形成所需的“ N”形。形成此形状后，便会形成“ U”形。整个序列是完全自治的。 （a）T = 0秒； （b）T = 20秒； （c）T = 64秒； （d）T = 72秒； （e）T = 80 s; （f）T = 112 s。
 

您能否告诉我们更多关于在视频中模拟的“ N”形结尾处那对孤独的徘徊机器人？

在我们的算法中，我们不需要一开始就为所有机器人分配目标位置，而是每个机器人必须自己确定去哪里。您所指出的最后几个机器人恰好与蜂群认为应该拥有的目标位置相距甚远。您不会看到机器人围绕整个形状移动到其目标，而是看到一部分机器人全部移动了一个，来为形状更接近其当前位置的机器人腾出空间。

这项研究可以应用于现实世界中有用的机器人群体的方式有哪些例子？

一个示例可能是模块化自重构机器人的形状形成。希望这种形状形成算法可以允许这些自重配置系统以简单可靠的方式自动更改其形状。另一个例子是仓库机器人，其中机器人需要移动到分配的目标来拾取物品，该算法将帮助他们快速而可靠地移动。

接下来要做什么？

我正在尝试了解如何使大批简单的个体作为一个团体以受控和可靠的方式行事。我已经开始在各种各样的环境中研究这个问题；从地面机器人群到通过熔化导电塑料而连接在一起的可重构机器人，再到飞行器群，再到卫星群。

引自Northwestern的Hanlin Wang和Michael Rubenstein撰写的《使用局部任务交换的同构群中的形状形成》发表在IEEE Transactions on Robotics上。